ЦифроПроф

Спустя 5 дней после собеседования тестовое задание было отправлено. Выглядело оно так https://datalens.yandex/4ms9oh7zk2t6r Параллельно проходили другие встречи, были и тестовые. Т-Банк ушел в туман, в несознанку, назовите это как угодно, просто пропал. Бывшие и действующие сотрудники банка описывали в сети разные ситуации из своей офисной жизни, но с каждым отзывом приходило понимание, что это не мое, и время на тест - просто потраченные впустую дни. Также добавлю, что промежуточный этап между...

Нет сомнений, что каждый аналитик хоть раз задумывался об откликах на вакансии наиболее известных банков (сознательно не пишу - ведущих банков, так как кого и куда они ведут - большой вопрос). Положительное или отрицательное решение об отклике на подобные вакансии следует принимать очень взвешенно, предварительно ознакомившись с имеющейся информацией на сайтах отзывов о работодателях. Корпоративная культура банков - это целый мир! Она подойдет далеко не всем. Расскажу о своем опыте. После рассмотрения резюме Т-Банк присылает приглашение на встречу...

Аугментация в Keras — это метод увеличения размера обучающих данных путём преобразования уже имеющихся. Он позволяет расширить обучающий датасет и внести в него разнородность, что уменьшает склонность модели к переобучению. Для автоматической аугментации в Keras используется класс ImageDataGenerator. Он принимает исходные обучающие данные, преобразует их и возвращает только преобразованные данные для обучения модели. Задача Выполните аугментацию обучающей выборки (train_datagen). Примените к ней такие операции: Создайте генератор для валидационной выборки (validation_datagen)...

Чтобы покупателям супермаркета не приходилось запоминать и вводить код весового продукта, руководство магазина решило разработать систему компьютерного зрения. Она сама определит, какие фрукты или овощи лежат на весах. Датасет с фотографиями плодов находится в папке /datasets/fruits_small/. Задача 1 В прекоде создана свёрточная сеть. Допишите код так, чтобы передать ей на обучение и валидацию датасет с фруктами. Чтобы обучение не было слишком долгим, вызовите функцию fit() с шагом 1. from tensorflow...

LeNet – это одна из первых успешных архитектур нейронных сетей для распознавания изображений, разработанная Яном Лекуном (Yann LeCun) и его коллегами в конце 1980-х годов. Эта архитектура была специально разработана для задачи распознавания рукописных цифр и символов, таких как те, что используются в почтовых индексах. ### Основные компоненты архитектуры LeNet: 1. Входной слой:    Входным слоем является изображение размером $32 \times 32$ пикселя. В случае работы с черно-белыми изображениями (например, рукописными цифрами), каждый пиксель представлен одним значением интенсивности...

В библиотеке Keras есть несколько вариантов свёрточных слоёв: Задача 1 В конце прошлой темы вы обучили полносвязную сеть для решения задачи классификации одежды. Замените эту сеть на свёрточную со слоями: Conv2D + relu + Flatten + Dense. Примените в свёрточном слое 4 фильтра размером 3x3. Используйте на слое Dense функцию активации SoftMax. Обучать свёрточную сеть не нужно. Вызовите у модели функцию summary(): она напечатает на экране информацию об устройстве сети. from tensorflow.keras import Sequential from tensorflow...

Adam (Adaptive Moment Estimation) — алгоритм адаптивной оптимизации, созданный специально для глубокого обучения нейронных сетей. Для каждого веса в нейронной сети Adam поддерживает два скользящих средних: первый момент (среднее значение градиентов) и второй момент (дисперсия градиентов без центра). Это позволяет алгоритму эффективно адаптироваться как к плоским, так и к крутым областям пространства параметров. Основные шаги алгоритма Adam: Преимущества алгоритма Adam: Основные гиперпараметры в Adam: α — размер шага оптимизации...

Построим и обучим нейронную сеть на наборе данных с предметами одежды. Для этого напишем в коде три функции: Для решения задачи необходимо, чтобы значение accuracy на тестовой выборке было не меньше 85%. from tensorflow.keras.datasets import fashion_mnist from tensorflow.keras.layers import Dense from tensorflow.keras.models import Sequential import numpy as np def load_train(path): features_train = np.load(path + 'train_features.npy') target_train = np.load(path + 'train_target.npy') features_train = features_train...

Для решения задачи множественной классификации товаров используют библиотеки изображений, так как текстовое описание не всегда соответствует требованиям задачи классификации: содержать некорректную информацию, их может быть слишком много и на разных языках. Цель: создать классификатор, который позволит определить категорию товара на сайте агрегатора. Задача 1 Посмотрите на данные. Мы уже загрузили выборки, разбили их на признаки и целевой признак. Выведите на экран размеры признаков в обеих выборках...

В Python картинки открываются с помощью библиотеки OpenCV. import numpy as np from PIL import Image image = Image.open('/datasets/ds_cv_images/face.png') array = np.array(image) print(array) Картинка печатается в виде двумерного NumPy-массива. Рассмотрим на примерах. Задача 1 Постройте изображение вызовом функции plt.imshow() (от англ. image show, «показать изображение»). import numpy as np from PIL import Image import matplotlib.pyplot as plt image = Image.open('/datasets/ds_cv_images/face.png') array = np...

Keras — это библиотека глубокого обучения, представляющая из себя высокоуровневый API, написанный на Python. По сути это интерфейс для работы с другой, более сложной библиотекой — TensorFlow. Задача 1 Обучите модель линейной регрессии средствами библиотеки Keras. Метод fit() напечатает на экране прогресс обучения и значение ошибки. Чтобы формат ответа был понятным, добавьте в этот метод аргумент verbose=2, где 2 означает вывод в консоль. Если указать 0, то его не будет вовсе; если — 1, то вывод предназначен для Jupyter Notebook...

Венчурные фонды — это финансовые организации, которые могут позволить себе высокий риск и инвестировать в компании с инновационной бизнес-идеей или разработанной новой технологией, то есть в стартапы. Цель венчурных фондов — в будущем получить значительную прибыль, которая в разы превысит размер их трат на инвестиции в компанию. Если стартап подорожает, венчурный фонд может получить долю в компании или фиксированный процент от её выручки. Чтобы процесс финансирования стал менее рискованным, его делят на стадии — раунды...